Como a Descript tirou os novos modelos da fila da engenharia

A Descript é uma plataforma de edição de vídeo e áudio com IA que torna a criação de conteúdo profissional acessível a todos. Ao combinar edição baseada em transcrições com ferramentas de IA para aprimoramento de áudio, clonagem de voz e mídia generativa, a Descript permite que equipes produzam conteúdo com qualidade de estúdio sem conhecimento especializado. Clientes empresariais dos setores de saúde, serviços financeiros, mídia e tecnologia usam a Descript para ampliar a produção de conteúdo, mantendo o controle humano sobre cada decisão criativa.

O Underlord, agente de edição de vídeo da Descript, combina LLMs com um harness que orienta o modelo sobre como agir e como editar vídeos.

Aleks Mistratov, que lidera a área de produto de IA, diz que a Descript é especializada em vídeos com pessoas falando para a câmera: vídeos de criadores do YouTube, vídeos de marketing com alguém falando, podcasts em vídeo. O ponto em comum é o conteúdo orientado por narrativa e transcrição, e a qualidade com que um modelo lida com isso não é algo que um teste de desempenho público responda.

A Descript mantinha três integrações diretas, com OpenAI, Anthropic e Google. A lógica de contingência entre elas era um código que a equipe escreveu e mantinha, e funcionava trocando modelos: se uma solicitação ao GPT falhasse, um modelo da Anthropic respondia em seu lugar.

O atrito técnico estava nas mudanças de parâmetros. Cada desenvolvedor de modelos esperava receber informações de uma forma diferente, e cada nova versão exigia verificar quais parâmetros estavam faltando, quais haviam se tornado obrigatórios e quais haviam deixado de ser compatíveis. Colocar um novo modelo em operação custava pelo menos algumas horas, a maior parte delas dedicada a depurar por que algo não estava funcionando.

O atrito organizacional era maior. A pessoa que queria testar um novo modelo não era a pessoa que podia adicioná-lo, então testar significava encontrar tempo na agenda de um engenheiro. Dias se passavam antes que alguém pudesse cuidar disso. O trabalho em si sempre levava algumas horas. Encaixar essas horas na fila de tarefas de um engenheiro era o que transformava uma dúvida sobre um modelo promissor em uma semana de espera até que alguém soubesse se valia a pena seguir adiante.

A Descript disponibilizava basicamente um modelo quando decidiu experimentar o Claude, e foi pela OpenRouter que o segundo chegou.

Em agosto de 2026, a produção executa 13 modelos de quatro desenvolvedores de modelos:

• Anthropic: Fable 5, Opus 5, Opus 4.8, Opus 4.7, Opus 4.6, Sonnet 5, Sonnet 4.6, Haiku 4.5
• Google: Gemini 3.1 Pro, Gemini 3.5 Flash
• OpenAI: GPT-5.4, GPT-5.5
• xAI: Grok 4.5

Cinco desses modelos da Anthropic são versões de ponta em execução ao mesmo tempo.

A produção passou de três integrações diretas para uma conexão pela OpenRouter. A Descript ainda mantém uma conexão direta com a Anthropic porque é uma parceira da Anthropic desde o início e alguns modelos de acesso antecipado estão disponíveis apenas por essa API. Esse caminho não é usado em produção.

Por trás de cada modelo há uma escolha de provedor de inferência, e a Descript configura isso por modelo. A OpenRouter expõe vazão, disponibilidade e custo de cada um, e a Descript usa essas informações para definir a ordem de prioridade: um provedor primeiro para o Sonnet 5, uma ordem diferente para o Gemini. A política de retenção de dados faz parte da mesma decisão, e a Descript roteia apenas para provedores de inferência que estejam em conformidade com sua política.

É aí também que entra o segundo tipo de alternativa em caso de falha. A lógica antiga da Descript trocava os modelos. A da OpenRouter troca os provedores de inferência e mantém o mesmo modelo, de modo que uma falha em um host não muda qual modelo responde.

A equipe usa sua própria chave na Baseten para uma implantação dedicada de um modelo de pesos abertos. A OpenRouter roteia para a Baseten como provedor principal desse modelo, com outros provedores configurados como alternativas em caso de falha para o mesmo modelo, todos dentro da restrição de política acima. A Descript mantém a relação comercial direta e sua própria chave, e ainda conta com proteção contra limites de taxa e indisponibilidades de um único provedor.

A Descript agora avalia modelos várias vezes por semana. A maioria deles nunca chega à produção, e esse é o objetivo.

Mistratov descreve o padrão: ele está caminhando, vê uma publicação anunciando o lançamento de um novo modelo e publica no Slack pedindo avaliações dele, com um link para o modelo no OpenRouter. Uma ou duas horas depois, as avaliações já foram executadas no próprio harness da Descript.

O mecanismo é o Claude Tag, a integração da Anthropic com o Slack, que a Descript configurou em um canal com um conjunto de Skills para esse ciclo. Ele executa as avaliações, abre um pull request adicionando o modelo ao harness da Descript e abre um segundo colocando o modelo atrás de uma feature flag. Uma pessoa revisa e aprova.

O OpenRouter eliminou o trabalho de integração por modelo que vinha colocando essas avaliações na fila de um engenheiro. O próprio agente e o harness da Descript automatizam tudo ao redor dessa interface. O trabalho já não precisa ser atribuído a ninguém.

Em um lançamento recente da Anthropic, foram necessárias algumas horas do anúncio até a entrada em produção. As etapas que restam são da própria Descript: avaliações internas, uma decisão sobre se o modelo supera o atual, configuração do seletor de modelos, feature flag, implantação. David Dodero, que trabalha no harness e nas avaliações da equipe de agentes, observou que a maior parte desse trabalho restante decorre da estrutura do código da Descript, e não da conexão com o modelo, e que seria mais fácil se isso fosse configurado de outra forma do lado deles.

Keith Simmons, o líder técnico da equipe de AI Enablement da Descript, vinha observando os custos dos modelos de ponta se tornarem um problema, e os lançamentos de modelos com pesos abertos chegavam tão rápido que a única questão era se algum deles se sairia bem nos casos de teste da própria Descript. Foi ao avaliar essa questão várias vezes por semana que o modelo com pesos abertos implantado na Baseten se destacou. Simmons estima que o gasto total da Descript com modelos esteja abaixo da metade do que era antes, em parte por causa desse processo, e afirma que a qualidade se manteve nos casos de teste da própria Descript.

Inicialmente, Simmons via o roteamento como um trabalho ao qual a Descript não deveria dedicar tempo de engenharia. Isso mudou.

As alternativas de contingência são acionadas e a equipe fica sabendo depois ao ler os registros, ou nem fica sabendo.

Nos registros do OpenRouter, Mistratov pode observar o tráfego se mover: provedor principal nos períodos tranquilos, erros 429 nos períodos de pico, depois plano B, plano C, plano D, com o mínimo de impacto no que os usuários recebem. Quando alguém publica no Slack uma captura de tela de uma página de status do Claude perguntando se o Descript foi afetado, a resposta é não, porque o tráfego do Claude passa para o Vertex AI como outro provedor de inferência. Simmons observa que a equipe não consegue usar o Claude Code nesses intervalos, enquanto o Underlord continua funcionando.

Entre os incidentes, o padrão se mantém.

Isso era verdade mesmo enquanto o Descript estava colocando a implantação no Baseten em operação.

A equipe de agentes não é a única que usa a conexão. A equipe de Media Understanding encaminha os vídeos enviados para o Gemini via OpenRouter para analisar o conteúdo, e o Google anunciou que está descontinuando a versão que eles usam. Deixar de usá-la é uma mudança de configuração, não um projeto.

Outra equipe usou a conexão existente para criar protótipos com quatro a seis modelos para geração de layouts visuais, incluindo modelos que a equipe de agentes não usa em produção.

Isso agora influencia como Mistratov avalia qualquer pessoa que lhe ofereça serviços de inferência.